Machine Learning Platform Engineer

Hoy en día, más de 5.000 millones de usuarios utilizan aplicaciones básicas como el correo electrónico, notas, tareas o el calendario, y estas no son nativas de IA. Nuestra misión es crear aplicaciones proactivas para cualquier persona en el mundo que no esté acostumbrada a realizar prompts complejos. Nuestro objetivo es aportar inteligencia a las conversaciones, recados, organización y flujos de trabajo, con un mínimo de prompting o incluso sin él.

Nuestro producto se centra en lograr una alta fiabilidad para flujos de trabajo de larga duración, contexto persistente y la realización de tareas en el mundo real. Creemos que los productos reducirán enormemente las alucinaciones.

Nuestro objetivo es organizar la vida de cualquier persona, permitiéndonos a todos dedicar tiempo a cosas valiosas y significativas.

Como ML Platform Engineer, construirás la infraestructura y los sistemas que impulsan las capacidades de IA de ActAI.

Diseñarás y operarás los sistemas detrás del stack de IA, desde el entrenamiento y la evaluación de modelos hasta el despliegue, la inferencia, la observabilidad y la mejora continua.

Trabajarás estrechamente con ingenieros de IA, investigadores e ingenieros de producto para convertir los modelos en sistemas de producción fiables, escalables y rentables. Construirás las plataformas, las herramientas y la infraestructura que permitan al equipo experimentar rápidamente y llevar las capacidades de IA a producción con confianza.

• Construir y operar la infraestructura y las plataformas de ML que impulsan los productos de IA de A1

• Diseñar sistemas para el entrenamiento, la evaluación, el despliegue, la inferencia y la experimentación de modelos

• Construir y optimizar la infraestructura de servicio e inferencia de modelos para cargas de trabajo de alto rendimiento y baja latencia

• Mejorar la fiabilidad, la escalabilidad, la latencia y la eficiencia de costes de los sistemas de IA

• Desarrollar pipelines fiables para la preparación de datos, el entrenamiento, la evaluación, el lanzamiento de modelos y la mejora continua

• Construir plataformas y herramientas que permitan a los ingenieros e investigadores de IA experimentar, evaluar y lanzar modelos con mayor rapidez

• Desarrollar infraestructura de evaluación y benchmarking para medir la calidad, el rendimiento y las regresiones de los modelos

• Construir observabilidad, monitorización, trazabilidad y alertas de producción para cargas de trabajo de IA/ML

• Mejorar los sistemas de IA en cuanto a fiabilidad, escalabilidad, latencia, rendimiento y costes

• Identificar cuellos de botella en todo el stack de ML y mejorar continuamente el rendimiento del sistema

• Trabajar estrechamente con ingenieros de IA, investigadores y equipos de producto para convertir los requisitos de modelos en evolución en infraestructura lista para producción

• Python

• PyTorch / JAX

• Infraestructura de servicio de LLM y ML como vLLM, SGLang o TensorRT-LLM

• Infraestructura en la nube

• Sistemas distribuidos

• Pipelines de ML/datos y orquestación de flujos de trabajo

• Infraestructura de GPU y herramientas de rendimiento

• Bases de datos vectoriales e infraestructura de recuperación

• Sólidos fundamentos de ingeniería de software y experiencia en la construcción de sistemas de producción

• Experiencia en la construcción de infraestructura de ML, plataformas o sistemas de aprendizaje automático de producción

• Experiencia con el despliegue, la inferencia, la evaluación de modelos o pipelines de datos

• Comprensión profunda de los sistemas distribuidos y la fiabilidad de los sistemas

• Capacidad para escribir código limpio, mantenible y de calidad de producción

• Comodidad trabajando en entornos ambiguos y de ritmo rápido

• Orientación hacia la responsabilidad, la experimentación y la mejora continua

• La infraestructura de IA soporta de forma fiable las cargas de trabajo de producción a escala

• Los modelos pueden entrenarse, evaluarse, desplegarse y mejorarse de manera eficiente

• Los sistemas de inferencia ofrecen una excelente latencia, rendimiento, fiabilidad y eficiencia de costes

• Los pipelines de ML son reproducibles, observables, mantenibles y robustos

• Las regresiones de modelos e infraestructura se detectan rápidamente y se diagnostican de forma eficiente

• Las capacidades comunes de la infraestructura de ML se convierten en primitivas de plataforma reutilizables en lugar de reconstruirse para cada producto de IA

• El stack de IA puede evolucionar rápidamente a medida que surgen nuevos modelos, arquitecturas y técnicas de inferencia